人工知能
AIが効率性と出会う: 新しいチップがLLMの電力使用量を50％削減
Securities.io を Google の優先ソースに追加
現在進行中の人工知能（AI）ブームはデータセンターの急増をもたらし、そこにあるサーバーを稼働・冷却するための電力需要が膨大になっています。
世界中に8,000以上のデータセンターがあり、その大部分は米国にありますが、今後数年でこの数は大幅に増加すると予想されています。
ボストン・コンサルティング・グループの推計によると、データセンターの需要は2030年まで毎年15％から20％上昇するとされています。現時点で、同社は米国全体の電力消費の16％を占めると予測しており、2022年にOpenAIのChatGPTがリリースされる前のわずか2.5％から大幅に増加しています。
一方、国際エネルギー機関（IEA）が今年発表した特別なエネルギーとAIの報告書によれば、世界中のデータセンターからの電力需要は今十年の終わりまでに少なくとも倍増し、約945 TWhに達すると見込まれています。これは日本が現在消費している電力量にほぼ相当します。
パリ拠点のこの自治的な政府間組織は、AIがこの急増の最大の要因であり、AI最適化データセンターからの電力需要は2030年までに4倍以上に増加すると報告しています。
米国においては、データセンターの電力消費が2020年から2030年までの電力需要増加の約半分を占める見込みです。AI利用により、米国経済はその時点でデータ処理に必要な電力が、エネルギー集約型製品の全製造に必要な電力を上回るとされています。
この止まらないエネルギーへの飢餓は、AIの進展と普及にとって大きな課題です。しかし、光明は、AIの電力使用量を削減し、エネルギー効率を高めるために取り組む研究者や企業が増えていることです。
興味深いことに、これらの取り組みの多くは、AI自体を利用してエネルギー課題に対処しています。
今月だけでも、研究チームはAIを活用して大規模言語モデル（LLM）のエネルギーフットプリントを50％削減する新しいチップを実証し、LLMをコスト効果的かつ持続可能に運用するための重要な進展を示しました。
新しいチップがAIを活用してLLMのエネルギー消費を削減
オレゴン州立大学工学部の研究者は、OpenAIのGPT‑4やGoogleのGeminiなどのLLM AIアプリケーションにおける膨大な電力消費問題を解決するために、この新しい効率的AIチップを開発しました。
A type of machine learning (ML) model, a large language model (LLM) is pre‑trained on vast amounts of data to perform natural language processing (NLP) tasks like text generation, summarization, simplification, text reasoning, language translation, and more.
現在最も人気があり広く使用されているチャットボットには、OpenAIのGPT‑4o、o3、o1、GoogleのGeminiとGemma、MetaのLlama、DeepSeekのR1とV3、AnthropicのClaude、AmazonのNova、MicrosoftのPhi、xAIのGrokなどがあります。
過去数年で、LLMはAI分野を完全に変革し、機械が人間に近いテキストをより正確に理解・生成できるようになりました。しかし、このLLMの進化はサイズの指数的増大をもたらしました。
LLMのサイズはパラメータ数で測られ、エネルギー消費の主な要因となります。モデルが大きくなるほど、トレーニングや推論に必要な計算リソースが増大します。
例えば、ChatGPT‑1は約1億2000万パラメータ、GPT‑3は1750億パラメータ、GPT‑4は約1.8兆パラメータにまで急増しました。
この驚異的なサイズと能力の拡大に伴い、エネルギー消費も前例のない規模で上昇しています。モデルのサイズに加えて、使用するハードウェアの種類、トレーニング期間、インフラ（データセンター）、データ処理、モデル最適化、アルゴリズム効率などもエネルギー消費に影響します。
そこで、OSUの研究者が新しいチップを開発しました。OSUの電気工学准教授であり、Mixed Signal Circuits and Systems LabのディレクターでもあるTejasvi Anandによれば、
「1ビットを送信するために必要なエネルギーが、データレート需要の増加速度と同じペースで削減されていないことが問題です。これがデータセンターが大量の電力を使用する原因です。」
この問題を克服するため、チームは従来設計の半分のエネルギーしか消費しない新しいチップを設計・開発しました。
Anand氏と博士課程の学生Ramin Javadは、この新技術を先月ボストンで開催されたIEEE Custom Integrated Circuits（CIC）カンファレンスで発表しました。このカンファレンスは、IC開発に関するフォーラム、パネル、展示、口頭発表を行い、現代電子システムの基盤となるICの機能性と処理能力をコンパクトかつ効率的に提供することに焦点を当てています。
最新技術は、Center for Ubiquitous Connectivity（CUbiC）、Semiconductor Research Corporation（SRC）、Defense Advanced Research Projects Agency（DARPA）の支援を受けて構築され、Javad氏はカンファレンスでBest Student Paper Awardを受賞しました。
新チップの開発にあたり、研究者はAIの原理を活用し、信号処理の電力使用を削減しました。
Javad氏によれば、LLMはデータセンター内の銅ベースの有線通信リンクを介して大量のデータを送受信します。このプロセス全体が多大なエネルギーを要するため、より効率的な有線通信チップの開発が「解決策」の一つです。
Javad氏はさらに、高速で送信されるデータは受信側で破損しやすく、結果としてデータのクリーンアップが必要になると指摘しました。そのため、既存の有線通信システムの大半は電力を大量に消費するイコライザを使用しています。
「私たちはチップ上でAIの原理を使い、オンチップ分類器を訓練してエラーを認識・修正することで、データをより賢く、効率的に復元しています。」
– Javadi
大きな進展ではありますが、これはチップの初期バージョンに過ぎません。次世代のイテレーションが現在開発中で、エネルギー効率をさらに向上させる予定です。
全体として、この継続的な研究はAIインフラとデータセンター運用の将来に広範な影響を与える可能性を示しています。ただし、技術を大規模に実装するには多くの課題があり、容易ではありません。
AIがマイクロチップ工学を変革している様子を知りたい方はここをクリックしてください。
AIのエネルギー欲求を層別のブレークスルーで抑える
この最新のチップ開発は、AIのエネルギー消費問題に取り組む多数の研究プロジェクトのうちの一例に過ぎません。そこで、研究者が採用した革新的な手法を簡単に見てみましょう。
光を利用したAIエネルギー効率化
今年初め、USSTの科学者が開発1、ほこりや塩粒よりも小さな微小AIチップを実証しました。このチップは光を利用してファイバー光ケーブルからのデータを処理し、エネルギー消費を抑えながら高速計算を実現します。
このチップは光を操作して瞬時に計算を行い、従来のコンピュータが光信号を解釈する方式とは異なります。そのため「全光学回折型深層ニューラルネットワーク」を使用し、3次元プリントされた層状コンポーネントを積層しています。画期的ではありますが、タスク特化設計や欠陥に対する感度、大規模生産の難しさといった課題を克服しなければ、内視鏡画像、量子コンピューティング、データセンターなどで「前例のない機能」を実現することはできません。
数か月前、MITの研究者も光を用いてチップ上でニューラルネットワークの主要演算を実行し、0.5ナノ秒で92％の精度と大幅なエネルギー効率を実現しました。
「この研究は、計算—本質的には入力と出力のマッピング—が線形・非線形物理学の新しいアーキテクチャ上にコンパイルでき、計算量と必要な労力のスケーリング法則を根本的に変えることを示しています。」
– シニア著者 Dirk Englund
研究者は光子チップを開発2し、相互接続されたモジュールで光学ニューラルネットワークを構築しました。商業ファウンドリプロセスで製造できるため、スケールアップや電子機器への統合が可能です。また、研究者は光学の非線形性という課題を、電子と光学を組み合わせた非線形光学機能ユニット（NOFU）を設計することで克服しました。
超低消費電力でリアルタイム学習する新しい脳インスパイアAIについて知りたい方はここをクリックしてください。
AIトレーニング用ソフトウェアツールとデータセンター用冷却システム
ミシガン大学の研究者は、AIトレーニング時に発生するエネルギー浪費、特にGPU間で不均等に分配される大規模データセット処理時の浪費に着目しました。
彼らはPerseusというソフトウェアツールを開発し、最も時間がかかるサブタスクを特定した上で、‘クリティカルパス’にないプロセッサの速度を落とすことで、すべてのタスクを同時に完了させ、不要な電力使用を削減します。
このオープンソースツールは、AIエネルギー消費の測定と最適化を行うZeusの一部として提供されています。
一方、ミズーリ大学の研究者は次世代冷却システムの開発に取り組み、データセンターのエネルギー効率向上を目指しています。彼らはサーバーラック内で簡単に接続・切断できる冷却システムの製造も行っています。
「冷却とチップ製造は密接に関係しています。適切な冷却がなければ部品は過熱して故障します。エネルギー効率の高いデータセンターはAIコンピューティングの未来に不可欠です。」
– ミズー大学工学部機械・航空宇宙工学教授 Chanwoo Park
DOEのCOOLERCHIPSイニシアチブから150万ドルの資金提供を受け、チームはサーバーチップからの熱を相変化で放散する二相冷却システムを開発しました。このシステムは、冷却が少ない場合は受動的に動作し、エネルギーを使用しません。アクティブモードでも極めて少量のエネルギーで動作します。
CRAMハードウェアはAIエネルギー使用量を1000倍削減できる可能性
昨夏、ミネソタ大学ツインシティーズのエンジニアが先進的なハードウェアデバイスを開発3し、AIのエネルギー消費を約1,000倍削減できる可能性を示しました。
この新しいモデルは計算型ランダムアクセスメモリ（CRAM）と呼ばれ、データがメモリから離れずにメモリ配列内で完全に処理されるため、エネルギー集約的で遅いデータ転送が不要になります。
20年にわたる研究で、チームはJian‑Ping Wang教授が特許取得した磁気トンネル接合（MTJ）デバイスに基づく研究を拡張しています。これらのナノ構造デバイスは、センサー、ハードディスク、磁気ランダムアクセスメモリ（MRAM）などのマイクロエレクトロニクスシステムの性能向上に利用されています。
「極めてエネルギー効率の高いデジタルインメモリ計算基盤として、CRAMは計算をメモリ配列の任意の場所で実行できる柔軟性があります」と共同著者のUlya Karpuzcu准教授は述べ、アルゴリズムごとの性能要件に合わせて再構成可能であることを強調しました。
脳インスパイアAI：人間の効率性を模倣して電力使用を削減
このように、研究者はAIのエネルギー問題に対処するためにさまざまな側面を検討しています。興味深いことに、彼らは人間の脳からもインスピレーションを得ています。AIは機械による人間知能プロセスのシミュレーションであり、人間の思考や推論とは程遠いものです。
シドニーAIセンターのChang Xu准教授は、LLMが単純なタスクでもリソースをフルに使い切るのは適切でないと指摘し、次のように説明しています：
「健康な人間の脳を考えてみてください――すべてのニューロンが同時に発火したり、脳全体の電力を一度に使ったりすることはありません。脳は約1000億個のニューロンを持ち、わずか20ワットの電力で動作しますが、異なる半球のニューロンを選択的に使用してさまざまなタスクや思考を行います。」
そのため、研究者は不要な計算を回避し、自動的にハイギアに入らないアルゴリズムを開発しています。
他の例として、脳の神経調節からインスピレーションを得て『スタッシングシステム』というアルゴリズムを作り、精度低下なしでエネルギーを37％削減しました。また、脳細胞の自己修復機能であるアストロサイトをハードウェアデバイスに応用し、ニューロモルフィック（脳インスパイア）コンピューティング（メモリスタ）を協調させることで、複数のニューラルネットワークサブグループでエネルギー効率を向上させています。
人工知能への投資
グローバル半導体企業であるAMD (AMD )は、高性能コンピューティング、グラフィックス、可視化技術で知られています。AIの寵児であるNVIDIA (NVDA )と直接競合しつつ、データセンターとAIアクセラレータ市場で急速にシェアを拡大しています。特にMI300シリーズはジェネレーティブAIワークロードとHPCアプリケーションを対象としています。
データセンターCPU分野でのリーダーシップ、強力なR&D投資、売上成長、顧客基盤、買収により、AMDはこのセクターで強力なプレーヤーとなっています。
Advanced Micro Devices (AMD )
2022年、AMDはXilinxの買収で500億ドル規模の史上最大のチップ業界取引を実現し、ハイパフォーマンスかつ適応型コンピューティングのリーダーとなりました。最近ではZT Systemsの買収を完了し、2028年に向けた5,000億ドル規模のデータセンターAIアクセラレータ市場に対応しています。
AMDの市場パフォーマンスは、関税の変動に揺れたものの、今年は回復基調にあります。執筆時点でAMD株は120ドルで取引され、年初来で6.9％下落していますが、2024年3月のピークからは約47％の下落にとどまっています。時価総額は1823.4億ドルで、TTMベースのEPSは1.36、P/Eは82.44です。
同社の財務では、2025年第1四半期の売上高が74億ドルに達し、CEOのLisa Su博士は「マクロ・規制環境が変動的であるにもかかわらず、素晴らしいスタート」と称賛しました。この成長は「データセンターとAIの勢いの拡大」によるものです。
この期間の営業利益は8億600万ドル、純利益は7億900万ドル、希薄化後1株当たり利益は0.44ドルでした。2025年第2四半期の売上高は約74億ドルと予測されています。
同社が行った主な取り組みとして、Meta Platforms, Inc. (META )（Llama）、Alphabet Inc. (GOOG ) (GOOGL )（Gemma）、Oracle Corporation (ORCL )、Core42、Dell Technologies (DELL )などとの戦略的パートナーシップを拡大しています。また、AMDはNokia、Cisco Systems, Inc. (CSCO )、Jioと共に、効率性・セキュリティ・機能向上を目的としたAI駆動ソリューションを提供する新しいOpen Telecom AIプラットフォームを発表しました。
今週、AMDとNvidiaはサウジアラビアの公共投資基金のAI子会社Humainと提携し、500MW規模の大規模データセンタープロジェクト向けに半導体を供給することになりました。
シリコン以外のトップコンピューティング企業リストはこちらをご覧ください。
最新のAdvanced Micro Devices（AMD）トレンドと開発動向
結論
ここ数年、AI熱狂は爆発的に拡大し、正当な理由があります。この技術は、医療、製造、材料科学から金融、エンターテインメント、教育、小売、サイバーセキュリティに至るまで、幅広い産業を変革する大きな可能性を秘めています。
しかし、技術の進歩、採用拡大、LLMの拡張に伴い、エネルギー需要が大幅に増加し、温室効果ガス（GHG）排出や気候変動への寄与、経済コストの上昇、技術の持続可能性に影響を与えています。
これはAIにとって大きな課題です。コスト削減、生産性向上、スケールでの意思決定改善という真の可能性を最大限に引き出すためには、モデルがコスト効率と持続可能性を両立しなければなりません。
しかし、朗報として、世界中の研究者がAIのエネルギー効率化に取り組んでおり、オレゴン州立大学のAI搭載チップは、イノベーションと持続可能性の両立が十分に可能であることを示唆しています。
もちろん、提案された技術が実世界でのインパクトとスケーラビリティを達成するには最大の障壁を克服しなければなりません。それでも明らかなことは、より環境に優しいAIの未来は実現可能であり、すぐそこに来ているということです。
人工知能への投資全般について知りたい方はここをクリックしてください。
参照文献:
1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). 多モードファイバーを通した全光画像輸送：遠位面にミニチュア化された回折ニューラルネットワークを使用。Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). 単一チップ光子深層ニューラルネットワーク：順方向のみのトレーニング。Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). 磁気トンネル接合をベースとした計算型ランダムアクセスメモリの実証実験。npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
